物理增强正交传感技术在轧钢机异常检测中的应用（用于自监督学习） 王一凡（Yifan Wang）、 郑斌（Bin Zheng）、 冯叶汉（Yehan Feng） 陈雄（Xiong Chen）

《Sensors》：Physics-Enhanced Orthogonal Sensing for Self-Supervised Anomaly Detection in Rolling Mills Yifan Wang, Bin Zheng, Yehan Feng and Xiong Chen

　　

摘要

滚筒导向系统是影响钢材质量的关键组件。然而，由于现场环境恶劣，通常缺乏有效的在线监测和预警机制。此外，在工业环境中，故障样本非常稀缺，这使得基于监督学习的人工智能方法难以应用。本文提出了一种“物理增强”的正交感知信息物理架构，该架构整合了硬件和软件设计。在硬件层面，设计了一种嵌入式正交感知布局（ P up tack V ' data-semantic-summary=" 具有3个因素的乘积" data-semantic-braille="??????"> 数据标识符' data-semantic-braille="??">???. 标识符' data-semantic-braille="??">⊥?. 标识符' data-semantic-braille="??">??）用于在传感器层面将驱动链振动与轧制力波动分离。在算法层面，导向系统的状态监测被构建为一个自监督异常检测问题，并设计了一个双分支网络架构：一个分支使用CSD变压器来捕捉物理耦合特性，另一个分支使用VQ-VAE来提取运行条件信息。在包含实际运行数据和专家验证的合成故障场景的数据集上的实验结果表明，该系统的AUC-ROC为0.952，误报率为0.048，在95%的TPR下，端到端处理延迟约为每个窗口8毫秒，系统级故障响应时间约为108毫秒，从而满足了实时工业监测的要求。